【从零开始学爬虫】采集收视率排行数据
![](https://pic3.zhimg.com/80/v2-5e54fbfae3e72a6b57effaa2ca4af9ee_720w.webp)
l 采集网站
【场景描述】采集收视率排行数据。
【源网站介绍】收视率排行网提供收视率排行,收视率查询,电视剧收视率,综艺节目收视率和电视台收视率信息。
【使用工具】前嗅ForeSpider数据采集系统
【入口网址】http://www.tvtv.hk/archives/category/tv
【采集内容】
采集收视率排行网上省级卫视收视率数据,采集字段:标题、发布时间、排行内容。
![](https://pic2.zhimg.com/80/v2-edcccec731e115ea89624941a890529d_720w.webp)
【采集效果】
如下图所示:
![](https://pic1.zhimg.com/80/v2-f553026fabc2614196e3eb9d4b43dd54_720w.webp)
l 思路分析
配置思路概览:
![](https://pic2.zhimg.com/80/v2-e70b29cb9e1599f248e685de287f5d81_720w.webp)
l 配置步骤
一.新建采集任务
选择【采集配置】,点击任务列表右上方【+】号可新建采集任务,将采集入口地址填写在【采集地址】框中,【任务名称】自定义即可,点击下一步。
![](https://pic1.zhimg.com/80/v2-39bd2e4aa4df6a552612fc297ce4a370_720w.webp)
二. 模板配置
1. 翻页链接采集配置
①查找翻页链接及其规律
在入口地址页内打开“F12”,按如下步骤找到翻页地址,并复制刷新后的翻页链接地址
![](https://pic2.zhimg.com/80/v2-a6f97fd6988d59c799f322b991fd4221_720w.webp)
对比观察翻页链接的规律观察:随着翻页变化,页码数与请求网址(Requestrian URL)中“page/”后的数字相关。所以,其规律为:http://www.tvtv.hk/archives/category/tv/page/+翻页页码
找到翻页链接位置及其规律就可以对应去编写脚本。
②脚本的创建与编写
![](https://pic3.zhimg.com/80/v2-c31fe8dc795cfc0e9d53ab19c2bf4dea_720w.webp)
脚本文本:
url u;
for ( var i=1;i<=165;i++){
u.title ="第"+i+"页";//页码
u.urlname = "http://www.tvtv.hk/archives/category/tv/page/"+i;
u.tmplid = 1; //模板关联
u.entryid = CHANN.id;
RESULT.AddLink(u,"","");
}
③查看采集预览
查看采集预览,并将链接粘贴到浏览器验证一下是否采集正确。
![](https://pic1.zhimg.com/80/v2-c483900352e70404d591e5d9c7fb1b74_720w.webp)
2. 列表链接抽取配置
①添加链接抽取,更名为列表链接
②点击脚本窗口
③新建脚本
④编写列表链接抽取脚本
![](https://pic3.zhimg.com/80/v2-e5c33b2fd1a6d4a366ec7ba179eaf242_720w.webp)
脚本文本:
var sta=DOM.FindClass("page-header","header",0);//定位到header标签
var list=sta.next;//定位下一子标签
while(list) {
var link=DOM.FindClass("entry-header","header",list);//定位到header标签
var linkin=link.child.child.child.child.next.child.child.child;//定位到列表链接所在标签
url u;//定义一个url
u.title = DOM.GetTextAll(link);//取标题
u.urlname =linkin.href;//取列表链接
u.entryid = this.id;
u.tmplid =2;//关联数据抽取模板
link=link.next;
list=list.next;
RESULT.AddLink(u,"","");//传递链接
}
⑤据观察发现,列表链接规律为:http://www.tvtv.hk/archives/而翻页链接规律为:http://www.tvtv.hk/archives/category/tv/page/此处则可以用地址过滤排除翻页链接,如图;然后复制任意一个列表链接到浏览器打开验证
![](https://pic3.zhimg.com/80/v2-d24a3c44b2a1c1edd409a64be2451052_720w.webp)
3. 数据抽取
①新建模板、添加数据抽取
如下新建模板并添加数据抽取,在示例地址框内输入上一步复制的列表链接
![](https://pic2.zhimg.com/80/v2-471ee8c014df405c6c734e075fcf0595_720w.webp)
②数据表结构创建
如下在表结构内创建出所需采集的字段
![](https://pic2.zhimg.com/80/v2-a9b6f9002337c81cd218e17678e0e0a1_720w.webp)
③关联表单
数据抽取关联数据结构表单
![](https://pic1.zhimg.com/80/v2-c5f825dfcd114a546350ee175a99d564_720w.webp)
④创建并编写数据抽取脚本
如下创建脚本,并根据网页结构编写数据抽取脚本
![](https://pic4.zhimg.com/80/v2-bb56a1e411cd6bb17ad064afc78a6d5f_720w.webp)
脚本文本:
record re;//定义一个record记录集
var name=DOM.FindClass("entry-header","header",0);//定位到header标签
var cont=DOM.FindClass("entry-content","div",0);//定位到div标签
re.title=DOC.GetDom().GetTextAll(name.child);//取标题文本
re.time_sub=DOC.GetDom().GetTextAll(name.child.next.child);//取时间文本
re.content=DOC.GetDom().GetTextAll(cont).Right("排名");//取排名文本
re.id=MD5(URL.urlname) ;//id
RESULT.AddRec(re,this.schemaid);//输出结果
⑤查看采集预览
查看采集预览,并核对一下内容是否采集正确。
![](https://pic3.zhimg.com/80/v2-276d07958fba361b3528816b6e2dcb82_720w.webp)
l 采集步骤
三、数据采集
1.建立数据表单:
选择【数据建表】,点击【表单列表】中该模板的表单,在【关联数据表】中选择【创建】,表名称自定义,这里命名为【shoushilv】(注意命名不能用数字、文字和特殊符号),点击【确定】。创建完成,勾选数据表,并点击右上角保存按钮。
![](https://pic1.zhimg.com/80/v2-952caefd0c35217b437619f2584632c0_720w.webp)
2.开始采集
选择【数据采集】,勾选任务名称,点击【开始采集】,则正式开始采集。
![](https://pic2.zhimg.com/80/v2-cc7515cdcf1537e65e2e0db38d0f9be9_720w.webp)
3.导出数据
采集结束后,可以在【数据浏览】中,选择数据表查看采集数据,并可以导出数据。
![](https://pic1.zhimg.com/80/v2-53449e80394ffbd06340327458ec65f0_720w.webp)
![](https://pic2.zhimg.com/80/v2-020ad0bf8b2bb651217f761f1e726e89_720w.webp)
4.导出的文件打开如下图所示:
![](https://pic1.zhimg.com/80/v2-690bbc69234514ea34f9c93fe424c858_720w.webp)
本教程仅供教学使用,严禁用于商业用途!
相关文章
- RocketMQ 在网易云音乐的实践
- 如何基于 Redis 实现分布式锁
- 任务调度系统-业务线资源隔离
- Hadoop如何保证自己的江湖地位?Yarn功不可没
- 如何保证MongoDB的安全性?
- 详解redis网络IO模型
- windows下mysql每天定时备份数据库几种方法
- WinUI(WASDK)使用MediaPipe检查手部关键点并通过ML.NET进行手势分类
- 一步步带你设计MySQL索引数据结构
- 记一次InputStream流读取不完整留下的惨痛教训
- MySQL空间暴涨150G导致锁定,发生了什么
- 一文搞懂蓝牙模块各种工作模式
- 朝花夕拾-链表(一)
- 上帝视角一览大数据开发体系
- Doris安装部署
- 使用Spring Reactor优化推荐流程
- 【性能优化】单一接口优化过程全记录(主要涉及Redis)
- ArcObjects SDK 011 RasterLayer
- .NET 6 基于IDistributedCache实现Redis与MemoryCache的缓存帮助类
- 【RocketMQ】主从同步实现原理